2014~2016年京津冀沿山城市空气质量首要污染物特征分析

对北京、保定、石家庄、邢台和邯郸这5个京津冀太行山沿山城市2014~2016年空气质量首要污染物进行分析,探讨其空间分布特征和时间变化趋势.结果表明,北京首要污染物由主到次为PM_2.5、O₃-8h、NO₂和PM₁₀,其他4个城市首要污染物排序为PM_2.5、PM₁₀、O₃-8h、NO₂、SO₂和CO.在空间分布上,各城市PM_2.5首要污染物天数比例3 a均值相当（53.3%~58.1%）,但从北向南,5个城市PM₁₀天数比例基本呈上升趋势,而O₃-8h反之.除邯郸PM_2.5首要污染物天数比例逐年明显下降外,其他4个城市的天数比例年际变化幅度较小;2016年石家庄、邢台和邯郸O₃-8h天数比例均显著上升.各城市PM_2.5和O₃-8h首要污染物天数月变化曲线分别呈"W"型和"倒U"型,PM₁₀首要污染物天数在3~5月出现明显高值区.从良至严重污染,各城市PM_2.5和PM₁₀首要污染物天数比例之和随空气质量级别逐级递增,其中PM₁₀天数比例逐级下降,而PM_2.5表现相反;O₃-8h首要污染物天基本出现在良至中度污染级别,且总体上逐级下降;NO₂仅在良级天有较高的天数比例贡献.     

海口市臭氧浓度统计预报模型的构建与效果评估

主要利用2015~2020年海口市臭氧（O₃）浓度资料和ERA5再分析资料,基于污染物浓度控制方程挑选出海口市O₃-8h浓度（日最大8 h滑动平均）的15个关键预报因子,构建了多元线性回归模型（MLR）、支持向量机模型（SVM）和BP神经网络模型（BPNN）,并对2021年海口市O₃-8h浓度进行预测和效果检验.结果表明,O₃-8h浓度与关键预报因子的相关系数绝对值主要分布在0.2~0.507之间,其中1 000 hPa的相对湿度（RH₁₀₀₀）和风向（WD₁₀₀₀）,875 hPa的经向风（v₈₇₅）的相关系数绝对值超过了0.4,具有较好的指示作用.3个预报模型基本能预报出海口市O₃-8h浓度冬半年偏高,夏半年偏低的变化趋势,其中BPNN模型的标准误差（RMSE）数值最小（22.29 μg·m^-3）.实测值与3个统计模型预报值的相关系数从大到小排列为：0.733（BPNN）>0.724（SVM）>0.591（MLR）,均通过了99.9%的信度检验.O₃-8h浓度等级预报的结果检验表明,3个预报模型的TS评分均随着O₃-8h浓度等级的上升而下降,而漏报率（PO）和空报率（NH）随着O₃-8h浓度等级的上升而上升.SVM和BPNN模型在3个等级预报中TS评分均略高于MLR模型,特别是在轻度污染等级,TS评分还维持在70%以上,具有较好的预报性能.     

北京2015年大气细颗粒物的空间分布特征及变化规律

近年来,随着雾霾事件的频发,人们逐渐提高了对雾霾的关注度,PM_2.5作为其首要污染物对大气能见度及人体健康造成了严重影响.因此,本文利用2015年北京12个环境监测站点的PM_2.5、PM₁₀、NO₂、SO₂、CO和O₃的浓度数据和气象数据,综合研究了北京2015年大气细颗粒物的空间变化特征及分布规律.同时,利用空间差异率（COD）统计方法评估了不同地区细颗粒物浓度的差异程度,并结合2015年2次特殊事件（春节和阅兵）,对大气污染特征及其与排放源控制的关系进行了深入对比分析.结果发现,重污染天气集中发生在秋冬季,且污染程度高、持续时间长.城区PM_2.5浓度比郊区高约12 μg·m^-3.东城区与对照区差异最大,COD值为0.24;东城区与西城区差异最小,COD值为0.05.春、夏、秋季颗粒物PM_2.5、PM₁₀浓度日变化较为平稳,在中午有所升高,冬季颗粒物质量浓度明显呈现出夜间高于日间的污染模式.近3年PM_2.5与PM₁₀保持显著的相关性,但PM_2.5/PM₁₀比值呈降低趋势.阅兵期间采取的空气质量管控措施和气象要素共同作用导致PM_2.5浓度下降约72%,市中心的首要污染物为NO₂,郊区首要污染物为O₃和PM₁₀.春节期间烟花燃放对PM_2.5的瞬时贡献量很大,对比春节假期和非假期2个阶段的大气污染特征发现,人口和机动车减少及餐馆暂停营业并没有使北京局地空气质量得到明显改善.该研究结果提示在进行PM_2.5控制的同时也要对O₃浓度有所关注,同时也进一步支撑了北京空气质量改善需要京津冀协同控制这一重要结论.     

汾渭平原空气质量的时空特征及其与气象因子的关系

汾渭平原是继京津冀和长三角之后环境污染治理的第三大重点区域,为发挥协同作用改善区域大气质量提供更为科学客观的依据,基于2014—2019年汾渭平原11个重点城市的空气质量监测资料和气象数据,利用统计方法分别从空间和时间尺度上揭示了汾渭平原空气质量指数以及主要污染物特征,及其与气象因子的关系.结果表明：11个城市中有7个城市的年均AQI指数100以上,重度以上天数占6%,重污染聚集区主要集中在关中中东部.从时间尺度看,AQI的年际波动明显且在2017年之后略有改善,冬春季特别是1月污染最为严重且呈现出明显的周末效应.首要污染物的季节差异较大,冬季以PM_2.5和PM₁₀为主,而夏季则主要以O₃为主,春秋季则分别以PM₁₀和PM_2.5为主.从气象影响因子看,年尺度上气压、降水、平均气温以及混合层高度除与O₃为正相关外与其它污染物均为显著的负相关,且呈现出明显的季节差异.而降水无论年尺度还是季节尺度上均对空气质量有利,特别是中雨量级以上的降水过程对颗粒物和O₃污染的改善作用明显.     

武汉市2014-2017年大气污染物分布特征及其潜在来源分析

利用武汉市2014—2017年大气污染物（SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀）和气象要素的观测数据,分析了大气污染物的变化特征及其影响因素.使用HYSPLIT模式计算了影响武汉市的主要气团类型,并利用潜在源区贡献（PSCF）和浓度权重轨迹（CWT）分析方法,揭示了研究期内武汉市不同大气污染物的潜在源区分布及其贡献特性.结果表明,武汉市2014—2017年空气质量逐年好转,SO₂、O₃、PM_2.5和PM₁₀的浓度呈逐年下降的趋势,但NO₂和CO的浓度先下降后上升.2017年SO₂、O₃、PM_2.5、PM₁₀、NO₂和CO的浓度分别为9.6、50.8、52.7、89.2、47.5 μg·m^-3和1.1 mg·m^-3,分别比2014年降低了64.3%、23.0%、24.7%、18.8%、3.5%和5.9%.大气污染物存在显著的季节变化和月变化.大气污染物在四个季节中日变化类似,SO₂和O₃均为单峰型分布,NO₂、CO、PM_2.5和PM₁₀均为双峰型分布.武汉市空气污染以PM_2.5为主,随着污染程度的加剧PM_2.5/PM₁₀的值逐渐增大,在空气质量为严重污染时,PM_2.5/PM₁₀高达90%,比空气质量为优时高了31.34%.局地气团（45%）和来自山西、陕西和河南一带的西北气团（12.1%）下大气污染物浓度较高.大气污染物的潜在源区贡献（WPSCF）和浓度权重轨迹（WCWT）的较大值主要集中在武汉市本地及其周边地区,局地污染对武汉市大气污染物的贡献较大,但不同大气污染物受到排放源分布和停留时间等影响其WPSCF和WCWT的分布范围不同.     

兰州市高分辨率人为源排放清单建立及在WRF-Chem中应用评估

城市尺度高分辨率人为源大气污染物排放清单是城市空气质量预报预警、污染成因分析和减排措施制定的重要基础数据,目前我国西部地区城市尺度的人为源排放清单研究仍然相对薄弱,能对接于空气质量模式的排放清单更为缺乏.本文整合已发表的清单文献,建立了可对接于空气质量模式的2016年兰州市城市尺度的人为源清单模型（HEI-LZ16）,将之应用于WRF-Chem模式,评估HEI-LZ16的准确性和适用性.结果表明：兰州市2016年人为源排放的SO₂、NO_x、CO、NH₃、VOCs、PM₁₀、PM_2.5、BC和OC总量分别为25642、53998、319003、10475、35289、49250、19822、2476和1482 t·a^-1.在模拟时间内,HEI-LZ16相比于MEIC,O₃和PM_2.5的NME值分别减小了140.2%和28.8%,HEI-LZ16更加准确适用.分析了HEI-LZ16情景下模拟的PM_2.5和O₃时空分布,兰州市臭氧MDA8呈现冬春季城区低而郊区高,夏秋季河谷城区西部及其下风向地区高的分布特征,夏秋季高浓度区的分布受偏东风和光化学反应的共同影响,冬季城区O₃浓度受NO_x排放的抑制作用浓度反而降低.PM_2.5浓度的高值区主要集中在黄河河谷盆地,本研究表明沿白银—兰州黄河河谷盆地走向的西侧存在一个污染物传输通道,其对兰州市环境空气质量具有较大的影响.     

秦巴山地西部地区2015—2018年大气污染物变化特征及潜在来源分析

为了研究我国南北过渡带西部地区大气污染物变化特征，选取了秦巴山地西部陇南市2015-2018年大气主要污染物监测资料和气象数据，分析了各污染物的浓度水平、变化特征及与气象条件的关系，并利用HYSPLIT后向轨迹模式分析了该地区污染物潜在来源（WPSCF和WCWT）.结果表明：4年来，秦巴山地西部地区空气环境质量较好，空气质量优良率达94.24%，6项大气污染物SO₂、NO₂、CO、O₃、PM_2.5、PM₁₀平均浓度分别为19.02、23.35、701.41、83.11、30.57、56.50 μg·m^-3，均未超过国家二级标准.PM₁₀是该地区首要污染物中天数最多的，达94 d.污染物SO₂、NO₂、CO、PM_2.5和PM₁₀的季节变化和日变化特征具有较好一致性，呈"U"型变化，O₃呈单峰型，在夏季和午后浓度到达高值.颗粒污染物PM₁₀、PM_2.5与气态污染物SO₂、NO₂、CO均呈现较好正相关，气温、降水量和风速风向对污染物浓度有较大的影响.该地区冬季空气质量明显差于其他季节，颗粒物浓度主要受供暖期化石燃料燃烧和外来气流的影响.     

2015—2017年天水市大气污染物变化特征及来源分析

据天水市2015-2017年大气污染物（SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀）的监测数据及气象资料,分析了天水市大气污染物的浓度变化特征,并利用排放源清单和HYSPLIT模型对污染物来源进行了解析.结果表明：①天水市空气质量有所下降,总体优良率达84.9%.SO₂、NO₂、CO均达标,污染物以颗粒物和O₃为主.②一次污染物SO₂、NO₂、CO、PM_2.5和PM₁₀浓度具有相似的季节变化和日变化特征,冬季最高,夏季最低,日变化呈早晚双峰型.二次污染物O₃夏季浓度最高,冬季最低,日变化呈单峰型.③天水市空气质量主要受污染物的本地排放和外来输送的影响,本地民用和工业部门对SO₂、CO、PM_2.5和PM₁₀的贡献最大,交通和工业部门对NO_x的分担率最高,民用部门是CO的最大排放源;西北和东部气流是污染物外来的最主要输送路径.此外,污染物在城市大气中的稀释、扩散和转移也受当地气象因素（气温、降水、风向等）的影响.     

基于WRF-Chem和EMI指数的新冠肺炎疫情期间沈阳市大气污染物浓度变化原因分析

利用2015—2020年沈阳市空气质量监测数据、地面气象观测资料、环境气象评估指数（EMI）产品、NCEP再分析资料及WRF-Chem数值模式,分析新冠肺炎疫情防控期间沈阳市主要大气污染物和气象要素的变化情况,研究空气质量对污染物减排和气象要素变化的响应.结果表明：疫情防控导致沈阳市PM_2.5、PM₁₀和NO₂质量浓度下降,但O₃质量浓度小幅增加;PM_2.5和NO₂对人为减排的响应更敏感;防控期内沈阳市气象条件有利于污染物的清除,气象条件使PM_2.5质量浓度下降16.37%,防控减排措施导致PM_2.5质量浓度下降22.96%;在疫情防控的背景下,不利的气象条件和污染物排放的突然增加共同造成重污染天气发生,其中不利气象条件的贡献大于排放增加的贡献;减排措施对防控期间重污染天气过程污染物峰值浓度有明显的削弱作用.     

2017~2021年苏皖鲁豫交界区域PM2.5和O3时空变化特征及影响因素

苏皖鲁豫交界区域是长三角和京津冀及周边两大大气污染治理重点区域的连接带,揭示该区域PM_2.5和O₃污染特征对推动区域大气污染联防联控有着重要意义.基于2017~2021年苏皖鲁豫交界区域22个地市的国家空气环境监测网络观测数据,探讨了该区域PM_2.5和O₃浓度的时空变化特征及气象影响.结果表明：①2017~2021年区域PM_2.5浓度呈现逐年下降趋势,PM_2.5浓度月均值呈现“U型”分布,冬季PM_2.5浓度仍维持高位.O₃-8h-90%浓度呈现波动下降趋势,O₃-8h-90%浓度月均值变化呈“M型”分布,夏秋季O₃污染程度未有好转.②与2017年相比,2021年PM_2.5-O₃复合污染天数减少了52 d,但PM_2.5污染仍占主导地位.③PM_2.5和O₃污染区域主要集中在区域中部和北部城市,且中部城市PM_2.5和O₃污染程度均改善显著.④采用Moran''s I指数和LISA指数分析了区域PM_2.5和O₃-8h-90%浓度的全局和局部空间自相关性,PM_2.5和O₃-8h-90%浓度均具有空间相关性,PM_2.5浓度主要表现为高值-高值聚集或低值-低值聚集现象,且高值-高值聚集有从中部向西部转移的现象,2020年和2021年O₃-8h-90%浓度表现为高值-高值聚集或低值-低值聚集现象.⑤结合气象要素数据,利用KZ滤波方法量化排放源与气象条件对区域PM_2.5和O₃-8h浓度的贡献,两者主要受到污染物排放影响,贡献率分别为101.0%和99.3%,表明污染物减排是驱动区域空气质量改善的主要因素.此外,气象条件对PM_2.5浓度的贡献在一、四季度为正值,二、三季度为负值,而对O₃-8h浓度的影响则反之,且气象条件对不同城市PM_2.5和O₃-8h浓度的影响程度存在较大差异.     

海陆风对天津市PM2.5和O3质量浓度的影响

静稳天气下局地环流往往会对污染物的传输扩散起重要作用.根据天津市地处渤海西岸,常年受到海陆风影响的特点,综合气象、环境资料及HYSPLIT模型,针对沿海、市区、城郊、山区等代表性站点,研究了海陆风对天津市ρ（PM_2.5）和ρ（O₃）的影响.结果表明:①2015年天津市海陆风天数为78 d,占全年的22%;海陆风多集中于6-9月,其中,7月海陆风日最多、2月最少.②ρ（PM_2.5）和ρ（O₃）季节性变化和空间分布特征不同.春、夏两季ρ（PM_2.5）山区最高、城郊最低;秋、冬两季ρ（PM_2.5）市区最高、山区最低.春、秋两季ρ（O₃）沿海最高、市区最低;夏季ρ（O₃）山区最高、沿海最低.③海陆风对ρ（PM_2.5）有扩散作用,对ρ（O₃）有增加作用.海陆风对沿海ρ（PM_2.5）扩散作用最为明显,致使冬、秋两季ρ（PM_2.5）分别下降20.2%和7.9%;对城郊ρ（O₃）增加作用最为明显,致使秋、夏两季ρ（O₃）分别升高39.8%和16.2%.④个例研究表明,海风向内陆推进过程中垂直方向最高可达1 000 m,受海风影响天津市ρ（PM_2.5）下降,陆风使得ρ（PM_2.5）小幅上升,海陆风总体起扩散作用;海陆风使天津市ρ（O₃）日变化出现3个峰值,日均值明显增大,其中,城郊增幅（68.2%）最大.研究显示,海陆风对天津市ρ（PM_2.5）有扩散的作用,但会增高ρ（O₃）.      

厦门市环境空气污染时空特征及其与气象因素相关分析

利用2014年3月—2015年2月厦门市18个监测站点实测数据,运用GIS技术、相关分析以及统计分析等方法,进行空气质量指数(AQI)及其污染因子的时空分析,结合厦门市土地利用分类专题图和主要重工业企业分布图进行厦门市环境空气质量状况污染源的分析.结果表明:厦门市首要污染物为PM10,其天数占全年的48%,PM2.5紧随其后占到36%;厦门市空气质量较好时间段主要集中在夏季,其中7月份是厦门市空气质量最好的月份,而厦门市秋冬两季的空气质量较差;AQI与温度相关系数达-0.813,具有极显著负相关性(p0.01),与气压相关系数达0.835,具有极显著正相关性(p0.01),而与风速和相对湿度气象因素相关性都不显著(p0.05);PM2.5、PM10、SO2、NO2、O3污染因子存在明显的空间分布差异,海沧区和集美区南部的空气污染比厦门其他地方明显更为严重;从土地利用图和主要重工业企业的分布图可以看出,污染最为严重的地区土地利用类型主要是建筑用地,而且这些地区还分布着许多钢铁厂和发电站.     

不利风向条件下北部湾人为源对海口市PM2.5浓度影响的模拟研究

通过分析2013—2017年海口市风向频率、地面PM_(2.5)浓度及海口市所处北部湾地理位置,确定12月为北部湾对海口市最不利风向时间段.利用中尺度气象模式(WRF,Weather Research Forecast)驱动空气质量模型(CMAQ,Community Multi-scale Air Quality),设置一系列数值模拟情景,深入分析北部湾人为源对海口市PM_(2.5)浓度影响.结果表明:WRF/CMAQ能很好地再现北部湾气象场和PM_(2.5)浓度的时空分布.2013年12月,北部湾人为源对海口市PM_(2.5)平均贡献率约为45.4%,其中约有90%来源于海口市自身人为源,约有10%来源于广东广西片区,海南片区除海口外其余市县贡献可忽略不计.污染时段,北部湾和海口市自身贡献率均下降,平均贡献率分别为40%和36%,表明污染时段海口市PM_(2.5)主要源区不仅来自北部湾.通过分析后向轨迹,发现污染时段均会经过一个关键区——珠三角区域,表明珠三角区域很有可能也是造成2013年12月海口市PM_(2.5)污染的主要源区.清洁时段,北部湾和海口市自身贡献率均上升,平均贡献率分别为52%和48%,表明北部湾对海口市PM_(2.5)浓度影响在清洁时段更显著.因此,北部湾未来产业规划值得关注,因为这些产业很有可能使目前海口市清洁时段变为污染时段,导致空气质量下降.     

基于快速聚类方法分析常州市区PM2.5的统计特性

运用统计方法研究常州市区2013~2014年6个国控点六项基本污染物(SO_2、NO_2、CO、O_3、PM_(2.5)和PM_(10))月平均浓度变化,结果表明,除O_3外,其它五项污染物月平均浓度夏季较低冬季较高.颗粒物与风速之间的关系为PM_(2.5)浓度随风速的升高一直降低,PM_(10)随风速的升高浓度先降低后升高.采用快速聚类分析(k-means)并运用SWV和DIV指数对六项基本污染物进行分类,得到4个样本分类.与依据颗粒物化学成分或粒径谱对PM进行源解析方法不同,本研究更多是从PM_(2.5)与其它污染物相关关系以及污染程度等角度按照欧式距离进行分类.不同类中PM_(2.5)来源明显不同,类1中PM_(2.5)与化石燃料燃烧排放密切相关,类2与O_3密切相关,类3与城市不完全燃烧排放、区域灰霾污染密切相关,类4可以归类于城市"背景"类.快速聚类分析结果也表明常州市区PM_(2.5)有着复杂的来源.     

成都市一次典型空气重污染过程特征及成因分析

为了研究成都市冬季空气重污染过程的成因,以2015年12月26日—2016年1月6日成都市一次典型重污染天气过程为例,基于HYSPLIT后向轨迹模式结合全球资料同化系统(Global Data Assimilation System,GDAS)气象数据和成都市7个监测站的AQI、PM_(2.5)、PM10、NO2质量浓度数据,使用气象分析、轨迹聚类(Cluster Analysis)、潜在源贡献因子法(Potential Source Contribution Function,PSCF)和浓度权重轨迹法(Concentration Weighted Trajectory,CWT),分析了此次过程的气象特征、轨迹输送特征和污染物潜在来源分布.结果表明,此次污染天气过程是以PM_(2.5)为主要污染物,其次为PM10、NO2.2015年12月30日14:00左右是此次污染天气过程各站点PM_(2.5)、PM10浓度到达峰值的时刻.缺少北方冷空气南下,四川盆地内空气水平运动弱,以及扩散条件差的静稳天气形势是导致此次大气污染过程成都市污染物累积的原因,而冷空气活动是改善这种天气形势的关键.污染过程辐射逆温层的形成对当时污染物浓度增长有促进作用,但随着每日生消、加强减弱,其并不是最终导致重污染天气形成的关键因素.川东北的广元、绵阳、德阳等地区和成都本地及其南向的眉山、雅安等地区是此次过程主要的潜在源区,这些地区人口较密集,工业较发达,且沿地形走向而分布.     

天津市PM2.5浓度时空分布特征及重污染过程来源模拟分析

天津市多发生以PM_2.5为首要污染物的重污染事件,明确ρ（PM_2.5）时空分布特征及重污染过程来源对PM_2.5的综合治理意义深远.利用天津市2014-2017年环境资料和2016年气象资料,结合WRF-Chem模式研究了天津市ρ（PM_2.5）时空分布特征及重污染过程来源.结果表明:①自2014年以来,天津市ρ（PM_2.5）呈逐年下降趋势.②ρ（PM_2.5）月变化曲线呈"U"型分布,呈冬春季高、夏秋季低的季节性特征;ρ（PM_2.5）日变化呈双峰型分布,主峰值出现在08:00-09:00,次峰值出现在21:00-翌日00:00.③各季节天津市ρ（PM_2.5）空间分布不同,春季、夏季、秋季和冬季高值中心分别位于天津市西南部的静海区、中心城区北部的北辰区、西部的武清区及北部的蓟州区.④WRF-Chem模式模拟的天津市秋冬季污染物来源结果表明,本地源贡献率为56%,外来源输送贡献率为44%,其中以河北省和山东省的输送为主.2016年12月16-22日天津市一次重污染过程的模拟结果表明,天津市本地源贡献率为49.6%,河北省、北京市和山东省的外来源输送贡献率分别为32.2%、7.0%和2.2%.污染前期,不利气象条件和外来源输送造成天津市ρ（PM_2.5）聚集并形成重度污染;污染持续过程中,本地源贡献率逐渐增大并占主导地位.研究显示,近年来天津市ρ（PM_2.5）呈下降趋势,并有明显的空间分布特征.      

廊坊市大气污染特征与污染物排放源研究

通过廊坊市2014年12个监测站点的大气污染物监测数据,分析了廊坊市大气污染的主要特征,包括空气质量水平、大气污染的季节与空间分布.结果发现,虽然与2013年相比2014年空气质量有所改善,但12个站点空气质量超标均十分严重.秋季、冬季与春季PM_(2.5)为主要的空气污染物,夏季O3日最大8 h平均浓度频繁超标,需要引起重视.为实现廊坊市空气质量模拟,制定最优空气质量改善政策,基于污染源普查、环境统计数据,编制了廊坊市主要大气污染物排放清单.工业部门中,电力、热力生产和供应业、黑色金属冶炼及压延加工业是SO_2、NO_x和PM_(2.5)的重要来源.VOCs则主要来自于化学原料和化学制品制造业、黑色金属冶炼及压延加工业、食品制造业.另外,廊坊全市道路扬尘和建筑施工扬尘污染贡献了PM2.5的38.6%,但扬尘的管理十分薄弱.同时结果表明,廊坊市黄标车排放在交通源排放中比重较高.因此,需要对上述重点排放源进行有效控制,从而改善廊坊市空气质量.     

基于遥感资料的北京大气污染治理投资对降低PM_(2.5)的效能分析

采用北京市环境监测中心35个站点的PM2.5监测数据及MODIS Terra的大气气溶胶光学厚度L3 C051产品数据,分季度建立北京市PM2.5历史浓度遥感估算模型.结合北京大气污染物(PM10、PM2.5、SO2、NO2)年均浓度数据,对北京市2001—2012年间用于工业废气污染治理投资累计额进行了效能分析.研究表明,北京市工业废气污染治理投资对于改善大气PM10、SO2、NO2均有显著贡献,但其对于大气PM2.5污染的治理效果并不明显.可能原因包括PM2.5排放源的复杂性、相关治理措施对PM2.5的针对性、经济增长导致的区域PM2.5源排放持续增长及区域外排放的持续影响等.因此,需要采取专门的有针对性的治理措施,建立健全大气污染治理技术和激励机制,控制工业燃煤及城市交通排放,削减本地及周边源排放,以有效改善北京地区大气PM2.5污染状况.     

CMAQ模式及其修正技术在上海市PM_(2.5)预报中的应用检验

利用CMAQ空气质量数值预报模式对上海市PM2.5浓度进行预报,选取10个囯控站点监测数据对预报进行验证评估.结果表明,CMAQ模式开展能够较好地模拟出PM2.5的时间变化趋势及浓度水平,但总体处于低估的水平,偏低幅度约25%,尤其在高污染阶段,模式的低估更为突出,达32%,这与污染源清单的不确定性有关.为提高PM2.5预报准确度,采用学习型线性回归方法对PM2.5浓度的数值预报结果进行修正,统计检验结果显示修正预报准确率由原来的76.4%提高到了79.3%,污染预报成功指数由56.4%提高至72.1%,明显提高了PM2.5浓度的预报效果,反映了引入实际监测数据对空气质量数值预报模式进行修正的研究意义和可行性.     

2011年春季辽宁一次沙尘天气过程及其对不同粒径颗粒物和空气质量的影响

利用2011年5月11—12日辽宁沙尘天气过程的相关资料,分析了沙尘天气对不同粒径颗粒物及空气质量的影响及此次沙尘过程的天气成因.结果表明:沙尘天气发生前后可吸入颗粒物PM₁₀、PM_2.5和PM₁的浓度变化很大,沈阳、鞍山、本溪和丹东4城市PM₁₀、PM_2.5的小时浓度最大值都增大了1.5~20倍;粗粒子PM_(2.5~10)的数量浓度分别增加了30~41倍,质量浓度分别增加了27~30倍;细粒子PM_(1~2.5)的质量浓度分别增加了30~35倍,数量浓度分别增加了15~30倍;微粒子的数量浓度和质量浓度各城市表现不同,沈阳微粒子的数量浓度和质量浓度最大值增大了3倍和5倍,而鞍山PM₁的数量浓度和质量浓度分别减少了50%和10%.受蒙古气旋的影响内蒙古地区产生大风降温天气,大风将内蒙古地区的沙尘带到高空并随西风带向东移动进入辽宁,由于辽宁地区风速比较小,造成了辽宁大部分地区的浮尘天气,并对辽宁各地空气质量造成了严重影响,除丹东外辽宁其他13个城市空气质量都达到了轻微污染到重度污染的级别,铁岭、阜新、沈阳和抚顺的污染指数分别超过了300,达到了重度污染的级别.